論文の概要: Progressive Self-Supervised Learning with Individualized Community Assignment for Brain Network Analysis

• arxiv url: http://arxiv.org/abs/2606.29695v1
• Date: Mon, 29 Jun 2026 01:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.019125
• Title: Progressive Self-Supervised Learning with Individualized Community Assignment for Brain Network Analysis
• Title（参考訳）: 脳ネットワーク解析のための個別化コミュニティアサインメントによる進歩的自己指導型学習
• Abstract要約: 脳ネットワークは、個人や神経学的条件によって異なるモジュラーコミュニティ構造を示す。 本稿では,プログレッシブ・パーソナライズド・マスキングによる脳ネットワーク分析のための自己教師型フレームワークであるBrainPICMを提案する。 BrainPICMは、診断精度において最先端の教師付きおよびSSLメソッドを一貫して上回る。
• 参考スコア（独自算出の注目度）: 12.759134005486358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain networks exhibit a modular community structure that varies across individuals and neurological conditions. However, existing self-supervised learning (SSL) methods often overlook this heterogeneity, relying on generic masking strategies that fail to capture subject-specific functional organization. We propose BrainPICM, a self-supervised framework for brain network analysis via progressive individualized community aware masking. BrainPICM formulates ROI-to-community mapping as a progressive unbalanced optimal transport process, yielding soft assignments and per-ROI confidence scores. Guided by these confidence estimates, a curriculum-style masking strategy gradually incorporates low-confidence, potentially pathological regions into training, enabling the model to learn both stable modular structures and individual variations. Additionally, a deviation-aware aggregation module quantifies functional reorganization by measuring mass redistribution relative to a population template, enhancing interpretability and downstream prediction. Experiments on three fMRI datasets (ABIDE-I, ADHD-200, ADNI) show that BrainPICM consistently outperforms state-of-the-art supervised and SSL methods in diagnostic accuracy, indicating that explicitly injecting modular community structure into masked modeling yields more functionally consistent and generalizable representations. The source code for this approach will be released at https://github.com/Hrychen7/BrainPICM.
• Abstract（参考訳）: 脳ネットワークは、個人や神経学的条件によって異なるモジュラーコミュニティ構造を示す。 しかし、既存の自己教師付き学習(SSL)手法はこの異種性を見落とし、対象固有の機能的組織を捉えるのに失敗する一般的なマスキング戦略に依存していることが多い。 本稿では,プログレッシブ・パーソナライズド・マスキングによる脳ネットワーク分析のための自己教師型フレームワークであるBrainPICMを提案する。 BrainPICMは、プログレッシブな不均衡な最適輸送プロセスとしてROIからコミュニティへのマッピングを定式化し、ソフトな割り当てとROI毎の信頼スコアを出力する。 これらの信頼度推定によって導かれたカリキュラムスタイルのマスキング戦略は、徐々に低信頼で潜在的に病理的な領域をトレーニングに取り入れ、安定したモジュラ構造と個々のバリエーションの両方を学ぶことができる。 さらに、集団テンプレートに対する質量再分配を測定して機能的再編成を定量化し、解釈可能性及び下流予測を高める。 3つのfMRIデータセット(ABIDE-I, ADHD-200, ADNI)の実験により、BrainPICMは診断精度において常に最先端の教師付きSSLメソッドよりも優れており、モジュラーコミュニティ構造をマスク付きモデリングに明示的に注入することで、より機能的に一貫性があり、一般化可能な表現が得られることが示された。 このアプローチのソースコードはhttps://github.com/Hrychen7/BrainPICMで公開される。

関連論文リスト

• Scaling Behavior Foundation Model for Humanoid Robots [77.31115920959364]
  行動基礎モデル(BFM)は、大規模な行動データを活用することで課題に対処する有望なソリューションとして登場した。 提案手法は制御忠実度とタスク一般化の大幅な改善をもたらすことを示す。 これらの結果は、BFMをスケーラブルで汎用的なヒューマノイド制御の原則的かつ効果的な基盤として確立する。
  論文  参考訳（メタデータ） (2026-07-16T16:08:27Z)
• SABER: A Semantic-Aligned Brain Network Analysis Framework via Multi-scale Hypergraphs [2.525239819116781]
  脳疾患の診断には、脳の接続パターンと高レベルの意味的知識のシナジーが必要である。 既存の方法は、大きな言語モデル(LLM)のセマンティクスを補助的特徴または監督として扱う。 本稿では,LLM由来のセマンティクスを予測プロセスに積極的に組み込むセマンティクス・アライン・ブレイン・ネットワーク・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-02T08:58:47Z)
• Brain-DiT: A Universal Multi-state fMRI Foundation Model with Metadata-Conditioned Pretraining [6.189635778169108]
  現在のfMRI基礎モデルは、限られた脳の状態と、ミスマッチした事前訓練タスクに依存している。 我々は24のデータセットから349,898のセッションで事前訓練された,汎用多状態fMRI基盤モデルである textitBrain-DiT を提案する。
  論文  参考訳（メタデータ） (2026-04-14T12:52:42Z)
• Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
  MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。 17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-20T11:55:00Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• ClusMFL: A Cluster-Enhanced Framework for Modality-Incomplete Multimodal Federated Learning in Brain Imaging Analysis [28.767460351377462]
  脳画像解析の文脈では、モダリティの不完全性は重要な課題である。 本稿では,機能クラスタリングを利用した新しいMFLフレームワークであるClusMFLを提案する。 ClusMFLは、様々なモダリティの不完全性のレベルにまたがる様々なベースライン手法と比較して、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-02-14T09:33:59Z)
• BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals [11.030708270737964]
  本稿では,fMRI時系列データから直接表現を学習するBrain Masked Auto-Encoder(BrainMAE)を提案する。 BrainMAEは、4つの異なる下流タスクにおいて、確立されたベースラインメソッドをかなりのマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2024-06-24T19:16:24Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Identification of brain states, transitions, and communities using functional MRI [0.5872014229110214]
  ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。 タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
  論文  参考訳（メタデータ） (2021-01-26T08:10:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。